E-Book, Deutsch, 446 Seiten, Format (B × H): 170 mm x 240 mm
Kroll Computational Intelligence
1. Auflage 2014
ISBN: 978-3-486-73742-4
Verlag: De Gruyter
Format: PDF
Kopierschutz: 1 - PDF Watermark
Eine Einführung in Probleme, Methoden und technische Anwendungen
E-Book, Deutsch, 446 Seiten, Format (B × H): 170 mm x 240 mm
ISBN: 978-3-486-73742-4
Verlag: De Gruyter
Format: PDF
Kopierschutz: 1 - PDF Watermark
Beschreibung, Analyse und Entwurf technischer Systeme werden zunehmend komplexer und erfordern neuartige Lösungsansätze. Durch die Natur inspiriert entstanden verschiedene Berechnungsverfahren, die im Wissenschaftsgebiet der Computational Intelligence (CI) zusammengefasst sind. Hierzu zählen die etablierten Kernbereiche der Fuzzy-Systeme, Künstliche Neuronale Netze und Evolutionäre Algorithmen sowie aus diesen zusammengeführte Hybride Methoden. Hinzu kommen die noch jungen Gebiete der Schwarmintelligenz und der künstlichen Immunsysteme. So bewegt sich die CI an der Schnittstelle zwischen Ingenieurswissenschaften und Informatik. Dieses Buch bietet eine gut verständliche, vereinheitlichende und anwendungsorientierte Einführung in das Thema und vermittelt Studenten und berufstätigen Ingenieuren das notwendige Fachwissen. Neben den methodischen Erläuterungen sind einfach nachvollziehbare Beispiele integriert, die die Funktion der Methoden veranschaulichen. Darüber hinaus wurden Praxisbeispiele zur Illustration der praktischen Relevanz aufgenommen. Die Musterlösungen für Dozenten können auf der geschützten Webseite http://www.uni-kassel.de/go/ci-buch heruntergeladen werden.
Zielgruppe
Für Studenten im fortgeschrittenen Bachelorstudium und Masterstud
Autoren/Hrsg.
Weitere Infos & Material
1;Teil I: Einführung;19
2;1 Einführung;21
2.1;1.1 Neue Herausforderungen an technische Systeme;21
2.2;1.2 Komplexe, komplizierte und chaotische Systeme;22
2.3;1.3 Grenzen traditioneller Berechnungsmethoden;22
2.4;1.4 Naturinspirierte Berechnungsmethoden;23
2.4.1;1.4.1 Bionik;23
2.4.2;1.4.2 Künstliche Intelligenz;26
2.4.3;1.4.3 Natural Computing;28
2.4.4;1.4.4 Soft Computing;29
2.4.5;1.4.5 Computational Intelligence;29
2.5;1.5 Abschließende Bemerkungen;33
3;2 Problemstellungen und Lösungsansätze;35
3.1;2.1 Einführende Beispiele;35
3.2;2.2 Mustererkennung und Klassifikation;39
3.2.1;2.2.1 Einführung in die Problemstellung;39
3.2.2;2.2.2 Entwurfs- und Auslegungskonzepte;43
3.2.3;2.2.3 Kriterien zur Ergebnisbewertung;51
3.2.4;2.2.4 Praktische Beispiele;52
3.2.5;2.2.5 Weiterführende Literatur;54
3.2.6;2.2.6 Zusammenfassende Bewertung;54
3.3;2.3 Modellbildung;56
3.3.1;2.3.1 Einführung in die Problemstellung;56
3.3.2;2.3.2 Entwurfs- und Auslegungskonzepte;60
3.3.3;2.3.3 Kriterien zur Ergebnisbewertung;65
3.3.4;2.3.4 Praktische Beispiele;72
3.3.5;2.3.5 Weiterführende Literatur;75
3.3.6;2.3.6 Zusammenfassende Bewertung;76
3.4;2.4 Regelung;78
3.4.1;2.4.1 Einführung in die Problemstellung;78
3.4.2;2.4.2 Entwurfs- und Auslegungskonzepte;81
3.4.3;2.4.3 Kriterien zur Ergebnisbewertung;93
3.4.4;2.4.4 Praktische Beispiele;96
3.4.5;2.4.5 Weiterführende Literatur;100
3.4.6;2.4.6 Zusammenfassende Bewertung;100
3.5;2.5 Optimierung und Suche;102
3.5.1;2.5.1 Einführung in die Problemstellung;102
3.5.2;2.5.2 Entwurfs- und Auslegungskonzepte;108
3.5.3;2.5.3 Kriterien zur Ergebnisbewertung;111
3.5.4;2.5.4 Praktische Beispiele;113
3.5.5;2.5.5 Weiterführende Literatur;116
3.5.6;2.5.6 Zusammenfassende Bewertung;117
3.6;2.6 Beispiele und Benchmarks;119
4;Teil II: Fuzzy-Systeme;121
5;3 Einleitung;123
6;4 Allgemeine Prinzipien;125
6.1;4.1 Fuzzy-Mengen, Grundoperationen und linguistische Variablen;125
6.2;4.2 Mamdani-Fuzzy-Systeme;129
6.3;4.3 Relationale Fuzzy-Systeme;134
6.4;4.4 Takagi-Sugeno-Systeme;137
6.5;4.5 Multivariate Zugehörigkeitsfunktionen und allg. Fuzzy-Partitionierungen;139
6.6;4.6 Gegenüberstellung von Mamdani- und Takagi-Sugeno-Fuzzy-Systemen;142
6.7;4.7 Kurze Historie;142
7;5 Clusterverfahren;145
7.1;5.1 Grundlegende Prinzipien;145
7.1.1;5.1.1 Abstand und Metrik;145
7.1.2;5.1.2 Einfaches Beispiel: Nächste-Nachbarn-Klassifikation;148
7.2;5.2 Umsetzung;149
7.2.1;5.2.1 Ablauf eines Clusterverfahrens;151
7.2.2;5.2.2 c-Means-Algorithmus;151
7.2.3;5.2.3 Fuzzy-c-Means-Algorithmus;152
7.2.4;5.2.4 Gustafson-Kessel-Algorithmus;158
7.2.5;5.2.5 Bestimmung der Clusteranzahl bei Fuzzy-Clusterverfahren;162
7.2.6;5.2.6 Wahl des Unschärfeparameters;164
7.2.7;5.2.7 Verfahrenserweiterungen;165
7.2.8;6.2.1 Identifikation statischer LiP-Modelle mittels LS-Verfahren;168
7.2.9;6.2.2 Identifikation linearer dynamischer Eingrößenmodelle;172
7.2.10;6.2.3 Ablauf einer Identifikation;178
7.3;6.3 Fuzzy-Modelle;180
7.3.1;6.3.1 Statische Fuzzy-Modelle;180
7.3.2;6.3.2 Gewinnung zeitkontinuierlicher dynamischer Fuzzy-Modelle;188
7.3.3;6.3.3 Identifikation zeitdiskreter dynamischer Takagi-Sugeno-Modelle;189
8;7 Regelung;195
8.1;7.1 Einführung;195
8.2;7.2 Mamdani-Fuzzy-Regler;196
8.2.1;7.2.1 Fuzzy-P-Regler;196
8.2.2;7.2.2 Fuzzy-PI/PD-Regler;199
8.2.3;7.2.3 Anmerkungen;201
8.3;7.3 Fuzzy-basierte Selbsteinstellung für PI-Regler;202
8.4;7.4 Relationaler Fuzzy-Reglerentwurf;203
8.4.1;7.4.1 Reglerentwurf durch Modellinversion;203
8.4.2;7.4.2 Fuzzy-Vorsteuerung;205
8.5;7.5 Fuzzy-Gain-Scheduling und Takagi-Sugeno-Regler;207
8.5.1;7.5.1 Lineare Zustandsmodelle;208
8.5.2;7.5.2 Affine Zustandsmodelle;210
8.6;7.6 Realisierungsaspekte;213
9;8 Anwendungsbeispiele;215
9.1;8.1 Clusterung mittels Fuzzy-c-Means;215
9.1.1;8.1.1 Fehlererkennung und -isolierung bei Brennstoffzellen;215
9.1.2;8.1.2 Klinische instrumentelle Ganganalyse;216
9.2;8.2 Fuzzy-Klassifikation (nicht linear separierbares Zwei-Klassenproblem);217
9.3;8.3 Fuzzy-Modellbildung;218
9.3.1;8.3.1 Kennfläche eines Axialkompressors;218
9.3.2;8.3.2 Dynamisches Modell einer Klärschlammverbrennungsanlage;220
9.4;8.4 Mamdani-Fuzzy-Regelung eines Drei-Tanksystems;221
10;6 Datengetriebene Modellbildung;167
10.1;6.1 Einführung;167
10.2;6.2 Lineare Systemidentifikation;167
11;9 Übungsaufgaben;227
11.1;9.1 Clusterung einer Objektmenge;227
11.2;9.2 Mamdani-Fuzzy-Regler;228
11.3;9.3 Kompensation einer nichtlinearen Ventilkennlinie;229
12;Teil III: Künstliche Neuronale Netze;239
13;10 Einleitung;241
14;11 Allgemeine Prinzipien;243
14.1;11.1 Netzstrukturen und -topologien;243
14.1.1;11.1.1 Schichten;243
14.1.2;11.1.2 Vorwärtsgerichtete und rückgekoppelte Netze;244
14.2;11.2 Lernkonzepte;245
14.3;11.3 Universelle Approximation und Netzstruktur;246
14.4;11.4 Effizienz und Lösungsqualität von Suchverfahren;247
14.5;11.5 Kurze Historie;248
15;12 Multi-Layer-Perceptron-(MLP-)Netze;251
15.1;12.1 Aufbau und Funktionsprinzip eines Neurons;251
15.2;12.2 Netzaufbau und Übertragungsverhalten;252
15.3;12.3 Training/Lernverfahren;256
15.3.1;12.3.1 Delta-Regel;256
15.3.2;12.3.2 Backpropagation-Algorithmus;258
15.4;12.4 Probleme beim Einsatz des Backpropagation-Verfahrens;265
15.5;12.5 Erweiterungen des Backpropagation-Verfahrens;266
15.6;12.6 Mustererkennung mit MLP-Netzen;268
15.6.1;12.6.1 Trennflächenform und Ebenenanzahl;268
15.6.2;12.6.2 Training des Klassifikators;271
15.7;12.7 Modellbildung mit MLP-Netzen;277
15.8;12.8 Modellbasierte prädiktive Regelung mit MLP-Netzen;278
15.9;9.4 Entwurf einer Vorsteuerung für einen Verbrennungsprozess;231
15.10;9.5 Fuzzy-Kennlinienregler;234
16;13 Radiale-Basisfunktionen-Netze;279
16.1;13.1 Netzaufbau;279
16.2;13.2 Basisfunktionen;280
17;13.3 Übertragungsverhalten;281
17.1;13.4 Lernverfahren;283
17.1.1;13.4.1 Festlegung von Basen und Formparametern;283
17.1.2;13.4.2 Ermittlung der Gewichte;285
17.1.3;13.4.3 Parameteroptimierung;285
17.2;13.5 Methodische Erweiterungen;287
17.3;14.2 Lernverfahren;291
18;15 Anwendungsbeispiele;297
18.1;15.1 Kennfläche eines Axialkompressors (MLP);297
18.2;15.2 Dynamische Modellierung eines servo-hydraulischen Antriebs (MLP);299
18.3;15.3 Dynamische Modellierung eines servo-pneumatischen Antriebs (MLP);300
18.4;15.4 Fließkurvenmodellierung beim Kaltwalzen (MLP);301
18.5;15.5 Virtueller Kraftsensor für elastischen Roboterarm (MLP);302
18.6;15.6 Qualitätskenngrößenvorhersage bei Polymerisationsprozess mittels MLP-Netz;303
18.7;15.7 Zustandsbewertung von Energieübertragungsnetzen (SOM);305
18.8;15.8 Routenplanung/TSP (SOM);306
19;16 Übungsaufgaben;309
19.1;16.1 Ex-Or-Funktionsapproximation mittels MLP-Netz;309
19.2;16.2 Klassifikation mittels MLP-Netzen (1);310
19.3;16.3 Klassifikation mittels MLP-Netzen (2);311
19.4;16.4 Funktionsapproximation mittels RBF-Netz;312
19.5;16.5 Training einer Kohonenkarte;313
20;Teil IV: Evolutionäre Algorithmen;315
21;17 Allgemeine Prinzipien;317
21.1;17.1 Einführung;317
21.2;17.2 Grundidee und -schema Evolutionärer Algorithmen;318
21.3;17.3 Kurze Historie;321
22;14 Selbstorganisierende Karten;289
22.1;14.1 Netzaufbau und Funktionsprinzip;289
23;18 Genetische Algorithmen;323
23.1;18.1 Einführung;323
23.2;18.2 Problemkodierung;324
23.3;18.3 Algorithmusablauf;327
23.4;18.4 Selektion der Elternteile;328
23.4.1;18.4.1 Fitnessproportionale Selektion;328
23.4.2;18.4.2 Rangbasierte Selektion;331
23.4.3;18.4.3 Tournierbasierte Selektion;332
23.4.4;18.5.4 Permutationsprobleme;335
23.5;18.6 Mutation;336
23.5.1;18.6.1 Binär kodierte kontinuierliche Probleme;336
23.5.2;18.6.2 Ganzzahlig, symbolisch oder reell kodierte Probleme;337
23.5.3;18.6.3 Permutationsprobleme;337
23.6;18.7 Selektion der Überlebenden/Populationsmodelle;338
23.7;18.8 Abbruchkriterium;339
23.8;18.9 Erweiterungen/Weiterführendes;339
23.9;18.10 Illustrierendes Beispiel;339
24;19 Evolutionsstrategien;343
24.1;19.1 Einführung;343
24.2;19.2 Problemkodierung;345
24.3;19.3 Startpopulation;345
24.4;19.4 Algorithmusablauf;346
24.5;19.5 Selektion der Elternteile;346
24.6;19.6 Rekombination;346
24.7;19.7 Mutation;346
24.7.1;19.7.1 Rechenbergs 1/5-(Erfolgs-)Regel;347
24.7.2;19.7.2 Einheitliche Mutationsschrittweitenadaption;348
24.7.3;19.7.3 Separate unkorrelierte Mutationsschrittweitenadaption;348
24.7.4;19.7.4 Separate korrelierte Mutationsschrittweitenadaption;349
24.8;19.8 Selektion der Überlebenden/Populationsmodelle;349
24.9;19.9 Abbruchkriterium;350
24.10;19.10 Erweiterungen/Weiterführendes;350
24.11;19.11 Illustrierendes Beispiel;351
25;20 Genetisches Programmieren;355
25.1;18.5 Rekombination durch Cross-over;332
25.1.1;18.5.1 Binär kodierte kontinuierliche Probleme;333
25.1.2;18.5.2 Reell kodierte kontinuierliche Probleme;333
25.1.3;18.5.3 Ganzzahlig oder symbolisch kodierte Probleme;334
26;21 Anwendungsbeispiele;359
26.1;21.1 Formoptimierung eines Rohrkrümmers (ES);359
26.2;21.2 Pfadplanung für mobile Roboter (GA);360
26.3;21.3 Modellgenerierung für biotechnologische Prozesse (GP);361
26.4;22.4 Optimierung eines Fuzzy-Systems mittels Genetischem Algorithmus;366
27;Teil V: Weiterführende Methoden;367
28;23 Hybride CI-Systeme;369
28.1;23.1 Einführung;369
28.2;23.2 Neuro-Fuzzy-Systeme;371
28.2.1;23.2.1 Methodik;371
28.2.2;23.2.2 Anwendungsbeispiel Schadensdiagnose von Abwasserrohren;377
28.3;23.3 Evolutionäre Fuzzy-Systeme;379
28.3.1;23.3.1 Methodik;379
28.3.2;23.3.2 Anwendungsbeispiel Fuzzy-Reglung inverses Rotationspendel;382
28.4;23.4 Evolutionäre Neuronale Netze;384
28.4.1;23.4.1 Methodik;384
28.4.2;23.4.2 Anwendungsbeispiel MLP-Netzoptimierung;388
28.5;23.5 Evolutionäre Neuro-Fuzzy-Systeme;390
28.6;23.6 Weiterführende Literatur;390
29;24 Schwarmintelligenz & Künstliche Immunsysteme;393
29.1;24.1 Einführung;393
29.2;24.2 Schwarmintelligenz;393
29.2.1;24.2.1 Partikelschwarmoptimierung;393
29.2.2;24.2.2 Ameisenalgorithmen;396
29.2.3;24.2.3 Weiterführende Literatur;398
29.3;24.3 Künstliche Immunsysteme;398
29.3.1;24.3.1 Biologisches Vorbild;398
29.3.2;24.3.2 Technische Umsetzung;401
29.3.3;24.3.3 Anwendungsbeispiel Unterdrückung von Störeinwirkungen;403
29.3.4;24.3.4 Weiterführende Literatur;404
30;22 Übungsaufgaben;363
30.1;22.1 Routenplanung für mobilen Roboter mittels Genetischem Algorithmus;363
30.2;22.2 Evolutionsstrategie zur Lösung eines kontinuierlichen Optimierungsproblems;364
30.3;22.3 Formoptimierung mittels Genetischem Algorithmus;364
31;Anhang;407
32;25 Anhang;409
32.1;25.1 Verzeichnis häufiger Formelzeichen und Abkürzungen;409
32.2;25.2 Vektoren und Matrizen;413
32.3;25.3 Normalverteilung;415
32.4;25.4 Graphen;416
32.5;25.5 Herleitung des FCM-Algorithmus;416
32.6;25.6 Berechnungsprogramme im Bereich der CI;418
33;Literatur;421
34;Verzeichnis der Anwendungsbeispiele;441
35;Index;443
